YOLOv8 so với RTDETRv2: So sánh kỹ thuật toàn diện

Trong bối cảnh thị giác máy tính đang phát triển nhanh chóng, việc lựa chọn mô hình phát hiện đối tượng phù hợp là rất quan trọng đối với sự thành công của dự án. Bài so sánh này đi sâu vào những điểm khác biệt về mặt kỹ thuật giữa YOLOv8 , một công cụ mạnh mẽ dựa trên CNN đa năng từ Ultralytics và RTDETRv2 , một mô hình dựa trên bộ biến áp tinh vi của Baidu. Bằng cách phân tích kiến trúc, số liệu hiệu suất và yêu cầu tài nguyên của chúng, chúng tôi mong muốn hướng dẫn các nhà phát triển và nhà nghiên cứu tìm ra giải pháp tối ưu cho nhu cầu cụ thể của họ.

Hình dung sự khác biệt về hiệu suất

Biểu đồ dưới đây minh họa sự đánh đổi giữa tốc độ và độ chính xác cho các kích thước mô hình khác nhau, làm nổi bật cách YOLOv8 duy trì hiệu quả vượt trội trên mọi phương diện.

Phân tích hiệu năng: Tốc độ so với độ chính xác

Bảng sau đây trình bày so sánh trực tiếp các số liệu chính. Mặc dù RTDETRv2 đạt được độ chính xác cao với các mô hình lớn nhất, YOLOv8 thể hiện một lợi thế đáng kể về tốc độ suy luận và hiệu quả tham số, đặc biệt là trên CPU phần cứng nơi các mô hình máy biến áp thường gặp phải tình trạng tắc nghẽn độ trễ.

Mô hình	Kích thước ^(pixels)	mAP ^{giá trị 50-95}	Tốc độ ^{CPU ONNX (ms)}	Tốc độ ^{T4 TensorRT10 (ms)}	Tham số ^(M)	FLOPs ^(B)
YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

RTDETRv2-s	640	48.1	-	5.03	20	60
RTDETRv2-m	640	51.9	-	7.51	36	100
RTDETRv2-l	640	53.4	-	9.76	42	136
RTDETRv2-x	640	54.3	-	15.03	76	259

Ultralytics YOLOv8 : Tiêu chuẩn về tính linh hoạt và tốc độ

Ra mắt vào đầu năm 2023, YOLOv8 đại diện cho một bước tiến đáng kể trong YOLO Gia đình này giới thiệu một khuôn khổ thống nhất cho nhiều tác vụ thị giác máy tính. Nó được thiết kế để mang lại sự cân bằng tốt nhất có thể giữa tốc độ và độ chính xác, khiến nó trở nên cực kỳ phù hợp cho các ứng dụng thời gian thực, từ tự động hóa công nghiệp đến cơ sở hạ tầng thành phố thông minh.

Tác giả: Glenn Jocher, Ayush Chaurasia, và Jing Qiu
Tổ chức: Ultralytics
Ngày: 2023-01-10
GitHub: ultralytics / ultralytics
Tài liệu: Tài liệu YOLOv8

Các đặc điểm kiến trúc chính

YOLOv8 sử dụng đầu phát hiện không neo , giúp đơn giản hóa quá trình huấn luyện và cải thiện khả năng khái quát hóa trên nhiều hình dạng vật thể khác nhau. Kiến trúc của nó bao gồm xương sống Darknet từng phần xuyên giai đoạn (CSP) để trích xuất đặc điểm hiệu quả và cổ Mạng tổng hợp đường dẫn (PAN)-FPN cho khả năng hợp nhất đa thang đo mạnh mẽ. Không giống như nhiều đối thủ cạnh tranh, YOLOv8 hỗ trợ phân loại hình ảnh , phân đoạn thực thể , ước tính tư thế và phát hiện đối tượng theo hướng (OBB) trong một API thân thiện với người dùng.

Điểm mạnh

Hiệu quả vượt trội: Tối ưu hóa việc sử dụng bộ nhớ và tải tính toán, cho phép triển khai trên các thiết bị biên như NVIDIA Jetson và Raspberry Pi.
Tốc độ đào tạo: Yêu cầu ít hơn đáng kể CUDA bộ nhớ và thời gian đào tạo so với kiến trúc dựa trên bộ biến đổi.
Hệ sinh thái phong phú: Được hỗ trợ bởi tài liệu toàn diện, sự hỗ trợ tích cực của cộng đồng và tích hợp liền mạch với các công cụ như TensorRT và OpenVINO .
Dễ sử dụng: "pip install ultralytics "Kinh nghiệm cho phép các nhà phát triển bắt đầu đào tạo và dự đoán chỉ trong vài phút.

Tìm hiểu thêm về YOLOv8

RTDETRv2: Độ chính xác của máy biến áp đẩy

RTDETRv2 là sự phát triển của Bộ chuyển đổi phát hiện thời gian thực ( RT-DETR ), được phát triển để khai thác khả năng ngữ cảnh toàn cầu của Vision Transformers (ViTs) trong khi cố gắng giảm thiểu các vấn đề về độ trễ vốn có của chúng. Nó nhằm mục đích đánh bại YOLO mô hình hóa các tiêu chuẩn về độ chính xác bằng cách tận dụng các cơ chế tự chú ý.

Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, và Yi Liu
Tổ chức: Baidu
Ngày: 24/07/2024 (phát hành phiên bản v2)
Arxiv: Bài báo RT-DETRv2
GitHub: lyuwenyu/ RT-DETR

Tổng quan về kiến trúc

RTDETRv2 sử dụng phương pháp kết hợp, sử dụng mạng xương sống CNN (thường là ResNet) để trích xuất các đặc điểm, sau đó được xử lý bởi bộ mã hóa-giải mã biến áp. Cơ chế tự chú ý cho phép mô hình hiểu được mối quan hệ giữa các phần xa nhau của ảnh, hỗ trợ xử lý các cảnh phức tạp bị che khuất. Phiên bản 2 giới thiệu toán tử lấy mẫu rời rạc và cải thiện độ ổn định của quá trình huấn luyện động.

Điểm mạnh và Điểm yếu

Điểm mạnh:
- Bối cảnh toàn cầu: Tuyệt vời trong việc xử lý các mối quan hệ đối tượng phức tạp và sự che khuất do bản chất biến đổi của nó.
- Độ chính xác cao: Các mô hình lớn nhất đạt được điểm mAP cao hơn một chút trên COCO tập dữ liệu so với YOLOv8x .
- Không có neo: Giống như YOLOv8 , nó loại bỏ nhu cầu phải điều chỉnh hộp neo thủ công.
Điểm yếu:
- Tiêu tốn nhiều tài nguyên: FLOP và số lượng tham số cao khiến CPU chạy chậm hơn và cần GPU đắt tiền để đào tạo.
- Hỗ trợ tác vụ hạn chế: Chủ yếu tập trung vào phát hiện đối tượng, thiếu tính linh hoạt đa tác vụ gốc (phân đoạn, tư thế, v.v.) của Ultralytics khung.
- Triển khai phức tạp: Kiến trúc máy biến áp có thể khó tối ưu hóa hơn cho các mục tiêu di động và nhúng so với CNN thuần túy.

Tìm hiểu thêm về RTDETRv2

So sánh chi tiết: Kiến trúc và khả năng sử dụng

Hiệu quả đào tạo và trí nhớ

Một trong những khác biệt rõ rệt nhất nằm ở quy trình đào tạo. Các mô hình dựa trên biến áp như RTDETRv2 nổi tiếng là ngốn dữ liệu và bộ nhớ lớn. Chúng thường yêu cầu nhiều bộ nhớ CUDA hơn đáng kể và thời gian đào tạo dài hơn để hội tụ so với các CNN như YOLOv8 . Dành cho các nhà nghiên cứu hoặc các công ty khởi nghiệp có hạn chế GPU tài nguyên, Ultralytics YOLOv8 cung cấp rào cản dễ tiếp cận hơn nhiều để tham gia, cho phép đào tạo tùy chỉnh hiệu quả trên phần cứng dành cho người tiêu dùng.

Tính linh hoạt và hệ sinh thái

Trong khi RTDETRv2 là một ứng cử viên học thuật mạnh mẽ cho các nhiệm vụ phát hiện thuần túy, nó thiếu hệ sinh thái toàn diện bao quanh Ultralytics các mô hình. YOLOv8 không chỉ là một mô hình; nó là một phần của nền tảng hỗ trợ:

Quản lý dữ liệu: Dễ dàng xử lý các tập dữ liệu như COCO và Objects365 .
MLOps: Tích hợp với Weights & Biases , Comet và Ultralytics HUB .
Triển khai: Xuất sang các định dạng như ONNX chỉ bằng một cú nhấp chuột, CoreML , Và TFLite để hỗ trợ phần cứng đa dạng.

Cân nhắc về phần cứng

Nếu mục tiêu triển khai của bạn liên quan đến suy luận CPU (ví dụ: máy chủ tiêu chuẩn, máy tính xách tay) hoặc thiết bị biên công suất thấp, YOLOv8 chắc chắn là lựa chọn tốt hơn nhờ kiến trúc CNN được tối ưu hóa. RTDETRv2 phù hợp nhất cho các tình huống có bộ xử lý cao cấp chuyên dụng. GPU gia tốc.

Các trường hợp sử dụng lý tưởng

Khi nào nên chọn YOLOv8

YOLOv8 là lựa chọn ưu tiên cho phần lớn các triển khai thực tế. Sự cân bằng giữa tốc độ , độ chính xác và tính dễ sử dụng khiến nó trở nên lý tưởng cho:

Phân tích thời gian thực: Giám sát giao thông, phân tích bán lẻ và phân tích thể thao, trong đó FPS cao là yếu tố quan trọng.
Điện toán biên: Chạy AI trên máy bay không người lái, robot hoặc ứng dụng di động ở những nơi có hạn chế về năng lượng và khả năng tính toán.
Ứng dụng đa nhiệm: Các dự án yêu cầu theo dõi, phân đoạn và phân loại đối tượng đồng thời.

Khi nào nên chọn RTDETRv2

RTDETRv2 tỏa sáng trong những lĩnh vực cụ thể mà chi phí tính toán chỉ là yếu tố phụ so với mức tăng độ chính xác cận biên:

Nghiên cứu học thuật: Nghiên cứu các đặc tính của máy biến áp thị giác.
Xử lý dựa trên đám mây: Xử lý hàng loạt hình ảnh trên các máy chủ mạnh mẽ, nơi độ trễ ít quan trọng hơn việc phát hiện các vật thể khó, bị che khuất.

Ví dụ về mã: Bắt đầu với YOLOv8

Các Ultralytics API được thiết kế để đơn giản hóa. Bạn có thể tải một mô hình được đào tạo trước, chạy dự đoán hoặc bắt đầu đào tạo chỉ với một vài dòng lệnh. Python mã số.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

# Train on a custom dataset
# model.train(data="coco8.yaml", epochs=100, imgsz=640)

Kết luận

Trong khi RTDETRv2 chứng minh tiềm năng của kiến trúc máy biến áp trong việc đạt được độ chính xác cao, Ultralytics YOLOv8 vẫn là lựa chọn vượt trội cho thị giác máy tính thực tế, cấp độ sản xuất. YOLOv8 Hiệu quả kiến trúc của nó mang lại khả năng suy luận nhanh hơn, chi phí đào tạo thấp hơn và khả năng tương thích phần cứng rộng hơn. Hơn nữa, Ultralytics hệ sinh thái đảm bảo rằng các nhà phát triển có các công cụ, tài liệu và sự hỗ trợ của cộng đồng cần thiết để hiện thực hóa các giải pháp AI của họ một cách hiệu quả.

Đối với những người đang tìm kiếm hiệu suất và hiệu quả mới nhất tuyệt đối, chúng tôi cũng khuyên bạn nên khám phá YOLO11 , giúp tinh chỉnh hơn nữa YOLO di sản với sự đánh đổi về độ chính xác và tốc độ thậm chí còn tốt hơn.

Khám phá các Mô hình Khác

Nếu bạn quan tâm đến việc khám phá thêm nhiều lựa chọn trong Ultralytics hệ sinh thái hoặc so sánh các mô hình SOTA khác, hãy xem các tài nguyên sau:

YOLO11 : Công nghệ tiên tiến nhất YOLO người mẫu.
YOLOv10 : Bộ phát hiện đối tượng đầu cuối theo thời gian thực.
RT-DETR : Máy biến áp phát hiện thời gian thực ban đầu.
YOLOv9 : Tập trung vào thông tin gradient có thể lập trình được.